[发明专利]结合生成对抗网络的半监督视网膜OCT图像层分割方法

权利要求书

1.结合生成对抗网络的半监督视网膜OCT图像层分割方法，其特征在于，包括以下步骤：

S1、准备视网膜OCT图像数据，将部分病人的标注图片和全部病人的未标注图片作为训练集，其余病人的标注图片作为测试集；

S2、构建生成对抗网络，生成对抗网络包括分割网络和鉴别器网络，分割网络的输出端与鉴别器网络的输入端连接；

S3、设计生成对抗网络的损失函数；

S4、设置评估指标；

S5、利用所设计的损失函数，引入步骤S1所准备的训练集，对生成对抗网络进行训练；

步骤S3中所设计的损失函数包括分割网络的损失函数和鉴别器网络的损失函数；

分割网络的损失函数为：

L_seg＝λ_ceL_ce+λ_diceL_dice+λ_advL_adv+λ_semiL_semi

其中，λ_ce、λ_dice、λ_adv及λ_semi分别为权重系数；L_ce和L_dice都是计算分割网络的输出和标签Y_Oh之间的损失，L_ce代表加权交叉熵损失函数；L_semi表示半监督训练损失函数；标签Y_Oh为对原始标签采用one-hot编码后得到的标签；L_adv是对抗损失函数；

分割网络预测x_n^(h，w)像素属于c类的概率为S(X_n)^(h，w，c)，当前像素的权重为W_n^(h，w)；

为每个像素引入一个权重W_n：

其中I(logic)表示当logic为真时，I(logic)＝1，否则I(logic)＝0；考虑到不同层识别难度不一样，当L＝1、2、5、6或7时，λ₂＝5；当L＝3、4或9时，λ₂＝15；否则λ₂＝0；

L_dice代表Dice系数损失函数，定义如下：

步骤S4采用Dice系数评估每张OCT图片中每个类的重叠情况，Dice系数的计算方式如下：

其中，Dice_c表示第c类的Dice系数。

2.根据权利要求1所述的半监督视网膜OCT图像层分割方法，其特征在于，步骤S1中视网膜OCT图像数据来自DME患者SD-OCT数据集，将DME患者SD-OCT数据集中前五位病人的55张标注图片和十位病人共250张未标注图片作为训练集，后五位病人的55张标注图片作为测试集。

3.根据权利要求1所述的半监督视网膜OCT图像层分割方法，其特征在于，步骤S2中鉴别器网络为做如下修改后的U-Net网络：将卷积通道数固定为64，然后将最后输出通道数设为2，将所有的ReLU层替换成Leaky-ReLU层。

4.根据权利要求1所述的半监督视网膜OCT图像层分割方法，其特征在于，步骤S2中分割网络为U-Net网络或UNet++网络。

5.根据权利要求1所述的半监督视网膜OCT图像层分割方法，其特征在于，鉴别器网络的损失函数为：

其中，D(P_n)为鉴别器网络输出的置信度图；P_n为概率图，当y_n＝0时，P_n为来自分割网络的输出，当y_n＝1时，P_n来自于原始标签。

6.根据权利要求1所述的半监督视网膜OCT图像层分割方法，其特征在于，所述权重系数λ_ce＝1，λ_dice＝0.5，λ_adv＝0.01，iter为生成对抗网络的训练步数。